Aitor Gil García.
Durante décadas, la mediocridad en marketing tuvo una virtud involuntaria: era cara. Producir una campaña irrelevante exigía semanas, presupuesto y la incómoda obligación de defenderla ante alguien con capacidad de decir que no. Ese coste funcionaba como un filtro imperfecto, pero real. La inteligencia artificial acaba de retirarlo y casi nadie ha calculado todavía las consecuencias.
La conversación dominante sobre IA aplicada al negocio sigue girando alrededor de la capacidad de producir: más contenidos, más variantes, más correos, más flujos automatizados. Es una conversación sobre volumen disfrazada de conversación sobre estrategia. Y el problema no es que la tecnología haga mal ese trabajo, sino que lo hace extraordinariamente bien. Una empresa que no sabe a quién se dirige puede seguir sin saberlo, ahora a una escala inédita.
Pienso en un CRM que segmenta a los clientes por lo que la compañía vende y no por lo que ellos necesitan. En cuanto se conecta a un modelo generativo, deja de producir mensajes irrelevantes de uno en uno para producirlos de mil en mil, mejor redactados y con el mismo sentido escaso. Pienso también en un proceso comercial que nunca se rediseñó porque revisarlo era incómodo y que hoy ejecuta sus propios defectos con una eficiencia envidiable. O en los indicadores: si una organización optimiza el coste por lead sin mirar qué ocurre después de la firma, un algoritmo bien entrenado le conseguirá exactamente lo que le ha pedido, es decir, más leads baratos que no compran.
Lo que se ha perdido por el camino no es solo gasto; es fricción. La fricción tenía mala prensa y buena parte se la merecía, pero cumplía una función que rara vez le reconocimos: obligaba a justificar decisiones. Cuando una acción cuesta, alguien pregunta por qué. Cuando no cuesta nada, nadie pregunta. La automatización elimina el trámite y, con él, la última revisión humana que impedía que una mala idea llegara al mercado.
Hay una oportunidad bastante más interesante, y es casi la contraria. Un sistema predictivo bien planteado no sirve sobre todo para hacer más cosas, sino para hacer menos y mejor elegidas. Las mejores predicciones suelen ser negativas: a qué cliente conviene no perseguir, qué oportunidad cerrar antes de dedicarle tres meses, qué segmento no necesita descuento porque iba a comprar igualmente. Cuesta defenderlas internamente porque no generan actividad visible y las organizaciones premian la actividad. Ahí está, sin embargo, casi todo el margen disponible.
Me encuentro a menudo con la misma escena en mi trabajo con marcas. Comités convencidos de que necesitan agentes de IA que no saben responder con precisión quién es su cliente más rentable ni por qué les compra a ellos y no al competidor de al lado. La tecnología no resuelve esa pregunta. La vuelve más urgente, porque ahora las consecuencias de no tenerla contestada se multiplican a velocidad de máquina.
Aparece además otra capa cuando los algoritmos dejan de recomendar y empiezan a decidir y a ejecutar. Es el terreno de la investigación a la que dedico mi tesis doctoral, centrada en cómo el marketing predictivo altera la relación entre marca y consumidor en un sector tan dependiente de la credibilidad como la moda de lujo sostenible, donde una recomendación mal calibrada no solo pierde una venta, sino que erosiona aquello que sostiene el precio. Y lo que aparece con insistencia es que la aceptación de una recomendación automatizada rara vez depende de su precisión técnica. Pesan mucho más otras cosas: si la persona entiende de dónde sale, qué datos suyos hay detrás y si percibe que alguien, en algún punto de la cadena, responde por esa decisión. Un acierto que el cliente vive como intrusión destruye más valor del que aporta, y no existe cuadro de mando que registre esa pérdida.
Delegar bien es, por tanto, un ejercicio de diseño. A la máquina le corresponde aquello que hace mejor que nosotros: leer volúmenes de señales que ningún equipo humano puede procesar, detectar patrones débiles, priorizar, ejecutar variaciones y aprender del resultado. Al criterio humano le corresponde lo que ningún modelo puede decidir por definición: qué problema merece resolverse, qué promesa hace una marca y está dispuesta a sostener durante años, dónde termina la personalización y empieza la intromisión, y quién asume la responsabilidad cuando el sistema se equivoca. Eso no es repartir tareas entre personas y algoritmos. Es diseñar una arquitectura de decisiones.
Ese desplazamiento cambia también lo que significa formarse, y lo compruebo cada curso. En la Universidad Camilo José Cela, donde coordino un grado que cruza empresa y tecnología, los estudiantes aprenden una herramienta nueva en una tarde y tardan meses en aprender a decidir qué hacer con ella. La conversación se repite, con presupuestos y procesos de por medio, cuando participo como profesor en el Programa en Marketing & Ventas con IA de IMMUNE TECH Institute: lo que más discutimos no suele ser qué plataforma utilizar, porque cambiará dos veces antes de que el curso termine, sino dónde encaja dentro de un sistema completo de captación, conversión y fidelización y qué decisión concreta mejora. Alguien que domina veinte herramientas y no sabe formular la pregunta correcta ha aprendido a ir muy rápido sin saber hacia dónde.
Cuando todas las empresas dispongan de modelos equivalentes, y va a ocurrir antes de lo que muchos consejos de administración calculan, la tecnología dejará de ser una diferencia. Volverá a serlo el criterio: saber qué pregunta hacer, qué datos merecen confianza, qué decisiones delegar y cuáles conviene seguir tomando, mirando a alguien a la cara. Durante décadas, el coste nos protegió de nuestras peores ideas. Ya no lo hará. Lo único que queda entre una empresa y su propio error multiplicado por mil es el juicio de quien decide.
*** Aitor Gil García es profesor del Programa en Marketing & Ventas con IA de IMMUNE Technology Institute y fundador de AGIL Growth.